Data Science für Unternehmen: Data Mining und datenanalytisches Denken praktisch anwenden

Die grundlegenden Konzepte der Data Science verstehen, Wissen aus Daten ziehen und für Vorhersagen und Entscheidungen nutzen
Die wichtigsten Data-Mining-Verfahren gezielt und gewinnbringend einsetzen
Zahlreiche Praxisbeispiele zur Veranschaulichung

Die anerkannten Data-Science-Experten Foster Provost und Tom Fawcett stellen in diesem Buch die grundlegenden Konzepte der Data Science vor, die für den effektiven Einsatz im Unternehmen von Bedeutung sind.

Sie erläutern das datenanalytische Denken, das erforderlich ist, damit Sie aus Ihren gesammelten Daten nützliches Wissen und geschäftlichen Nutzen ziehen können. Sie erfahren detailliert, welche Methoden der Data Science zu hilfreichen Erkenntnissen führen, so dass auf dieser Grundlage wichtige Entscheidungsfindungen unterstützt werden können.

Dieser Leitfaden hilft Ihnen dabei, die vielen zurzeit gebräuchlichen Data-Mining-Verfahren zu verstehen und gezielt und gewinnbringend anzuwenden. Sie lernen u.a., wie Sie:

Data Science in Ihrem Unternehmen nutzen und damit Wettbewerbsvorteile erzielen
Daten als ein strategisches Gut behandeln, in das investiert werden muss, um echten Nutzen daraus zu ziehen
Geschäftliche Aufgaben datenanalytisch angehen und den Data-Mining-Prozess nutzen, um auf effiziente Weise sinnvolle Daten zu sammeln
Das Buch beruht auf einem Kurs für Betriebswirtschaftler, den Provost seit rund zehn Jahren an der New York University unterrichtet, und nutzt viele Beispiele aus der Praxis, um die Konzepte zu veranschaulichen.

Das Buch richtet sich an Führungskräfte und Projektmanager, die Data-Science-orientierte Projekte managen, an Entwickler, die Data-Science-Lösungen implementieren sowie an alle angehenden Data Scientists und Studenten.

Aus dem Inhalt:
Datenanalytisches Denken lernen
Der Data-Mining-Prozess
Überwachtes und unüberwachtes Data Mining
Einführung in die Vorhersagemodellbildung: von der Korrelation zur überwachten Segmentierung
Anhand der Daten optimale Modellparameter finden mit Verfahren wie lineare und logistische Regression sowie Support Vector Machines
Prinzip und Berechnung der Ähnlichkeit
Nächste-Nachbarn-Methoden und Clustering
Entscheidungsanalyse I: Was ist ein gutes Modell
Visualisierung der Leistung von Modellen
Evidenz und Wahrscheinlichkeiten
Texte repräsentieren und auswerten
Entscheidungsanalyse II: Analytisches Engineering
Data Science und Geschäftsstrategie